一种超声图像识别方法及相关装置

技术领域

本申请涉及图像识别技术领域，特别涉及一种超声图像识别方法、超声图像识别装置、计算设备及计算机可读存储介质。

背景技术

随着医疗的检测技术不断发展，目前在医疗领域中通常使用超声技术进行病种的检查和诊断。主要是利用超声产生的波在人体内传播时，通过示波屏显示包含体内各种器官和组织对超声的反射和减弱规律的超声图像，以便反映体内情况。其中，超声波具有良好的方向性，当在人体内传播过程中，遇到密度不同的组织和器官，即有反射、折射和吸收等现象产生。根据示波屏上显示超声图像的回波的距离、弱强和多少，以及衰减是否明显，可以显示体内某些脏器的活动功能，并能确切地鉴别出组织器官是否含有液体或气体，或为实质性组织。可见，通过超声图像可以方便的显示出体内的组织情况，以便进行检查。

现有技术中，一般是医护人员在进行超声检查时，根据自己的临床经验知识，手动点击或按键来筛查出符合需求的超声切面图像，并且需要医护人员自己去判断识别超声切面图像中的组织器官，以进行标注或测量。这样的方式需要医护人员自己判断，并需要手动反复确认或调整，效率较低，而且有可能引入主观错误，降低检查过程的准确性。

因此，如何提高寻找超声图像中组织结构的效率是本领域技术人员关注的重点问题。

发明内容

本申请的目的是提供一种超声图像识别方法、超声图像识别装置、计算设备及计算机可读存储介质，通过组织识别模型对待识别超声图像进行组织识别得到设置有组织检测框和结构分割边界的识别结果，以便医护人员通过组织检测框和结构分割边界快速确定组织及其结构的位置，提高超声检查的速度。

为解决上述技术问题，本申请提供一种超声图像识别方法，包括：

获取待识别超声图像；

利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果；

其中，所述识别结果包括标识有组织结构分割边界的结果数据；所述组织识别模型为根据训练数据进行训练得到，所述训练数据为标注有组织检测框和组织结构分割边界的训练数据。

可选的，利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果，包括：

利用所述组织识别模型的特征提取网络对所述待识别超声图像进行特征提取，获取目标特征；

利用所述组织识别模型的检测网络对所述目标特征进行检测识别，得到组织检测框识别信息；其中，所述组织检测框识别信息包括对相应组织进行范围框定的组织检测框。

利用所述组织识别模型的分割网络基于所述组织检测框识别信息对所述目标特征进行分割识别，得到所述识别结果。

可选的，所述利用所述组织识别模型的分割网络基于所述组织检测框识别信息对所述目标特征进行分割识别，得到所述识别结果，包括：

利用所述分割网络在所述组织检测框识别信息相应的所述组织检测框范围内对所述目标特征进行分割识别，得到所述识别结果。

可选的，所述利用所述组织识别模型的特征提取网络对所述待识别超声图像进行特征提取，获取目标特征，包括：

采用所述组织识别模型的特征提取网络对所述待识别超声图像进行底层特征提取，得到多个底层特征；将所述多个底层特征进行组合，得到作为所述目标特征的高层语义特征。

可选的，所述利用所述组织识别模型的检测网络对所述目标特征进行检测识别，得到组织检测框识别信息之后，还包括：

利用所述组织识别模型的分类网络基于所述组织检测框识别信息对所述目标特征进行分类识别，得到组织分类识别结果。

可选的，所述利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果的步骤之后，还包括：

根据所述识别结果，对所识别的组织进行自动测量，并输出测量数据；其中，所述测量数据包括测量值和/或测量线。

可选的，所述组织识别模型为深度学习神经网络模型；其中，所述检测网络包括卷积层。

可选的，在所述根据训练数据进行训练得到所述组织识别模型的步骤之前，还包括：

对原始训练图像进行图像变换处理，得到所述训练数据；其中，所述图像变换处理包括仿射变换、图像拼接、马赛克模糊、高斯模糊中的任意一种或任意多种的组合。

本申请还提供一种超声图像识别装置，包括：

图像获取模块，用于获取待识别超声图像；

图像识别模块，用于利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果；其中，所述识别结果包括标识有组织结构分割边界的结果数据；所述组织识别模型为根据训练数据进行训练得到，所述训练数据为标注有组织检测框和组织结构分割边界的训练数据。

本申请还提供一种计算设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的超声图像识别方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的超声图像识别方法的步骤。

本申请所提供的一种超声图像识别方法，包括：获取待识别超声图像；利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果；其中，所述识别结果包括标识有组织结构分割边界的结果数据；所述组织识别模型为根据训练数据进行训练得到，所述训练数据为标注有组织检测框和组织结构分割边界的训练数据。

通过组织识别模型对待识别超声图像进行组织识别得到识别结果，实现自动识别，由于该组织识别模型采用的训练数据为标注有组织检测框和组织结构分割边界的训练数据，因此得到的识别结果中包含有组织结构分割边界，以便医护人员通过组织结构分割边界快速确定组织结构，提高超声检查的速度，同时避免出现主观错误，提高超声检查的准确性。

本申请还提供一种超声图像识别装置、计算设备及计算机可读存储介质，具有以上有益效果，在此不做赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种超声图像识别方法的流程图；

图2为本申请实施例所提供的超声图像识别方法的一种识别过程的流程图；

图3为本申请实施例所提供的一种超声图像识别装置的结构示意图；

图4为本申请实施例所提供的一种计算设备的结构示意图。

具体实施方式

本申请的核心是提供一种超声图像识别方法、超声图像识别装置、计算设备及计算机可读存储介质，通过组织识别模型对待识别超声图像进行组织识别得到设置有组织结构分割边界的识别结果，以便医护人员通过组织结构分割边界快速确定组织结构，提高超声检查的速度。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

相关技术，一般是医护人员直接对超声图像进行手动检查，以便筛查不同的组织情况。但是，手动检查的过程首先需要医护人员确定超声图像中的组织以及结构。也就是需要医护人员确定组织位置，然后在组织中确定该组织对应的结构，使得过程不仅需要耗费大量时间，进一步的还有可能引入主观错误，降低检查过程的准确性。

因此，本申请提供一种超声图像识别方法，通过组织识别模型对待识别超声图像进行组织识别得到识别结果，实现自动识别，由于该组织识别模型采用的训练数据为标注有组织检测框和组织结构分割边界的训练数据，因此得到的识别结果中包含有组织结构分割边界，以便医护人员通过组织结构分割边界快速确定组织结构，提高超声检查的速度，同时避免出现主观错误，提高超声检查的准确性。

以下通过一个实施例，对本申请提供的一种超声图像识别方法进行说明。

请参考图1，图1为本申请实施例所提供的一种超声图像识别方法的流程图。

本实施例中，该方法可以包括：

S101，获取待识别超声图像；

本步骤旨在获取到待识别超声图像。

其中，获取的待识别超声图像，可以是从超声系统中实时获取的待识别超声图像，以便在操作过程中实时对待识别超声图像进行识别，并显示对应的识别结果，对医护人员提供快速且便利的辅助性功能。

也可以是从超声系统的数据库中获取到的已经保存的待识别超声图像，以便对数据库中保存的待识别超声图像进行批量识别，提高医护人员参照超声图像进行疾病检查的效率和速度。

可见，本步骤中获取待识别超声图像的方式并不唯一，在此不做具体限定。

S102，利用组织识别模型根据识别过程中交互的组织检测框识别信息对待识别超声图像进行组织识别，得到识别结果；其中，识别结果包括标识有组织结构分割边界的结果数据；组织识别模型为根据训练数据进行训练得到，训练数据为标注有组织检测框和组织结构分割边界的训练数据。

可见，本步骤旨在利用组织识别模型根据识别过程中交互的组织检测框识别信息对待识别超声图像进行组织识别，得到识别结果。

其中，识别结果包括标识有组织结构分割边界的结果数据。也就是说，在对该待识别超声图像进行识别的过程中，对待识别超声图像中感兴趣的组织结构标识组织结构分割边界。在识别结果中直接通过组织结构分割边界确定组织结构的位置。

也就是说，医护人员可以直接查看待识别超声图像上的组织结构分割边界确定到组织结构，进一步可进行相应的诊断分析操作，避免医护人员在超声图像上进行人工识别，提高了超声检查速度，同样也避免出现主观错误。同时，可避免医护人员在扫查获取超声图像时为了识别到符合要求的组织结构而进行的反复冻结、调整等繁琐操作，进而可避免医生由于疲惫等个人原因造成的误诊、漏诊。

其中，该组织识别模型的结构可以包括两个识别网络，分别是检测网络和分割网络，该检测网络用于识别出超声图像中的组织所在的范围并采用组织检测框进行框定，分割网络用于根据组织检测框信息识别出超声图像中的结构并采用组织结构分割边界进行标识。其中，检测网络可以将组织检测框识别信息与分割网络进行交互，以便分割网络根据组织检测框识别信息进行识别。

因此，本步骤中进行识别的过程是利用组织识别模型根据识别过程中交互的组织检测框识别信息进行组织识别。也就是说，在识别过程将识别得到的组织检测框识别信息在检测网络和分割网络之间进行交互，以便使别的网路接收到组织检测框信息并完成组织识别。进一步的，该组织识别模型中的检测网络和分割网络可以相互连接，以便在处理过程中进行信息交互，实现在检测网络和分割网络之间的反馈机制，提高检测网络和分割网络识别的准确性。

那么，相应的组织识别模型的训练数据为标注有组织检测框和组织结构分割边界的训练数据。也就是，采用了同时或分别标注有组织检测框和组织结构分割边界的训练数据进行深度学习模型训练，得到该组织识别模型。

为了进一步的提高组织识别模型的准确性和识别效果，该组织识别模型的结构可以是特征提取网络分别连接检测网络和分割网络。其中，特征提取网络用于从超声图像提取出高层语义特征，以便提高检测网络和分割网络对数据处理的效果。进一步的，特征提取网络具体可以用于提取边缘、轮廓、灰度、对比度等底层特征，再将所有底层特征进行系组合，得到高层语义特征。

需要说明的是，在具体应用环境中上述介绍的检测网络用于定位并截取在病理检查过程中医护人员关注的组织器官，该分割网络用于从诊断的组织器官中分割出组织中的特定的结构。

进一步的，在实际应用的环境中当确定超声图像中的各个组织结构后，还需要测量相应组织结构的大小或重要测量项，以便对每个组织结构的进行诊断，为了避免医护人员手动测量，提高自动化程度，本实施例还可以包括：

根据识别结果，对所识别的组织进行自动测量，并输出测量数据；其中，测量数据包括测量值和/或测量线。

可见，在获取到识别结果的基础上，可以对识别出的组织进行自动测量，得到并输出测量数据。而不是医护人员进行手动测量，提高测量的效率。其中，测量数据包括测量值和/或测量线。当测量值和测量线均呈现时，测量值和测量线之间是相互对应的。例如，测量值就是对应的测量线的长度值。其中，自动测量的方式可以是通过预设的脚本进行自动测量，也可以是根据训练好的测量模型进行测量，还可以采用现有技术提供的任意一种自动测量方式进行测量，在此不做具体限定。

进一步的，为了增加训练样本的数量，以便增强组织识别模型的识别效果，本实施例还可以包括：

对原始训练图像进行图像变换处理，得到训练数据；其中，图像变换处理包括仿射变换、图像拼接、马赛克模糊、高斯模糊中的任意一种或任意多种的组合。

可见，本可选方案中主要是为了提高训练样本的数量，对原始训练图像进行图像处理，以便增多训练数据的数量。其中，图像处理的方式包括但不限于仿射变换、图像拼接、马赛克模糊、高斯模糊中的任意一种或任意多种的组合。其中，对于图像的仿射变换可以包括对图像的平移、缩放、翻转和旋转等变换操作。

进一步的，为了提高在病种检查环境中，对组织识别的准确性，本实施例还可以包括：

获取多个时间周期和/或多个地区的超声图像数据作为训练数据。

可见，本可选方案中为了训练数据中包含更丰富的信息。获取到多个时间周期和/或多个地区的超声图像数据作为训练数据。其中，多个时间周期是指某一病种从开始到结束的多个时间周期。例如，当获取的训练数据为产科数据时，则是获取到多个孕周的训练数据。

进一步的，在待识别超声图像对应的识别结果中，一般会通过组织结构分割边界标识出该待识别超声图像中的多个结构，在一些应用场景中该多个结构之间的类型并不相同，还需要医护人员对不同的结构进行识别降低了检查效率。因此，本实施例中还可以对每个类型的结构标识对应的组织结构分类信息。

因此，可选的，本实施例还可以包括：

步骤1，当根据组织识别模型对待识别超声图像进行组织识别时，获取组织识别过程中对待识别超声图像进行分类识别的组织分类识别结果；

步骤2，根据组织分类识别结果对识别结果中的组织结构分割边界添加对应的组织结构分类信息。

由于，组织识别模型在对待识别超声图像中的结构进行识别的过程中，首先是分类出需要标识的组织结构，然后再对组织结构标识组织结构分割边界。因此，本可选方案中可以直接获取到分类过程中的组织分类识别结果，然后，根据该组织分类识别结果对识别结果中的组织结构分割边界添加对应的组织结构分类信息。例如，在产科检查中面对胎儿超声图像的识别结果，组织结构分割边界分别分割出了胎儿的胃泡、颈部透明层(NT)和胎盘等组织或器官。进而，可以通过本可选方案对每个组织结构分割边界添加对应的组织结构分类信息，即添加“胎盘”、“颈部透明层”、“胃泡”等组织结构分类信息。以方便医护人员快速确定每个组织结构的类型。

此外，本实施例的组织识别模型还可以包括回归分支网络，具体的，该回归分支网络可以包括卷积层和全连接层，以实现对于所识别组织结构的定位。

综上，本实施例通过组织识别模型对待识别超声图像进行组织识别得到识别结果，实现自动识别，由于该组织识别模型采用的训练数据为标注有组织检测框和组织结构分割边界的训练数据，因此得到的识别结果中包含有组织结构分割边界，以便医护人员通过组织结构分割边界快速确定组织结构，提高超声检查的速度，同时避免出现主观错误，提高超声检查的准确性。本实施例的识别方法可适用于产科超声图像筛查。

以下通过另一个实施例，对本申请提供的超声图像识别方法做进一步说明。

本实施例中，组织识别模型包括特征提取网络、检测网络以及分割网络；其中，分割网络可以采用全卷积网络。其中，特征提取网络分别与检测网络和分割网络连接，检测网络与分割网络连接。其中，特征提取网络主要用于将输入的数据进行特征提取，得到高层语义特征，以便提高特征提取的效果。基于此，检测网络和分割网络分别对接收到的高层语义特征进行处理，并且实现将检测网络和分割网络在处理过程中的信息数据进行交互。即，分割网络采用检测网络在检测处理过程中的检测框信息对分割处理过程进行调整，可缩小分割处理时的识别范围，进而能实现更快更准确的分割识别。

其中，特征提取网络包括卷积层和特征金字塔网络。该卷积层目的是提取输入图像数据的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级。当设置更多层的网络能从低级特征中迭代提取更复杂的特征。该特征金字塔网络利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的目的，提高特征提取的效果。

具体实施时，特征提取网络可以采用ResNet50和FPN(即上述特征金字塔网络)等作为主干网络，以便获取更精确的目标特征。其中，Resnet是残差网络(Residual Network)的缩写，该系列网络广泛用于目标分类等领域以及作为计算机视觉任务主干经典神经网络的一部分，典型的网络有resnet50，resnet101等；因此，可利用ResNet50来实现特征提取。

请参考图2，图2为本申请实施例所提供的超声图像识别方法的一种识别过程的流程图。

本实施例中，识别过程可以包括：

S201，利用组织识别模型的特征提取网络对待识别超声图像进行特征提取，获取目标特征；

S202，利用组织识别模型的检测网络对目标特征进行检测识别，得到组织检测框识别信息；其中，组织检测框识别信息包括对相应组织进行范围框定的组织检测框；

S203，利用组织识别模型的分割网络基于组织检测框识别信息对目标特征进行分割识别，得到识别结果。

可见，通过S203，在识别过程中，利用组织识别模型的分割网络基于组织检测框识别信息对目标特征进行分割识别。

进一步的，检测网络在识别过程中向分割网络发送组织检测框识别信息。包括位置及大小等信息，使得分割网络在待识别高层语义特征中可缩小进行分割识别的范围，进而再进行分割识别处理。不仅减少了分割网络进行处理的数据量，可更快速地实现分割识别，而且还排除了错误特征提高了分割网络的准确性。

其中，检测网络和分割网络之间实现数据交互的方式，可以体现在组织识别模型的结构设计中。其中，数据交互的结构设计可以采用组织检测框信息传输结构实现数据交互，也可以采用现有技术提供的任意一种设计方式，在此不做具体限定。

其中，特征提取网络的结构可以采用现有技术提供的任意一种特征提取网络，在此不做具体限定。

进一步的，为了提高分割识别的效率和准确性，本实施例中的S203可以包括：

利用分割网络在组织检测框识别信息相应的组织检测框范围内对目标特征进行分割识别，得到识别结果。

可见，该可选方案中通过组织检测框缩小了分割网络进行分割识别的范围，降低了数据量，排除了错误范围，提高了分割识别的效率，同时还提高了分割识别的准确性。

进一步的，为了提高特征提取的效果，本实施例中的S202可以包括：

采用组织识别模型的特征提取网络对待识别超声图像进行底层特征提取，得到多个底层特征；将多个底层特征进行组合，得到作为目标特征的高层语义特征。

其中，特征提取网络用于从超声图像提取出高层语义特征，以便提高检测网络和分割网络对数据处理的效果。进一步的，特征提取网络具体可以用于提取边缘、轮廓、灰度、对比度等底层特征，再将所有底层特征进行系组合，得到目标特征的高层语义特征，保持了目标特征的效果。

进一步的，在待识别超声图像对应的识别结果中，一般会通过组织结构分割边界标识出该待识别超声图像中的多个结构，在一些应用场景中该多个结构之间的类型并不相同，还需要医护人员对不同的结构进行识别降低了检查效率。因此，为了提高检查效率，本实施例中的S203还可以包括：

利用组织识别模型的分类网络基于组织检测框识别信息对目标特征进行分类识别，得到组织分类识别结果。

其中，分类网络可以包括卷积层和全连接层。该分割网络和分类网络共用特征提取网络，进而可以利用分割任务和分类任务的相关性，提高组织识别模型性能，提升分类和分割的效率。

相应的，在训练过程中还需要包括标注有分类标注的训练数据，以便对该分类网络进行训练。

本可选方案中可以直接获取到分类网络中的组织分类识别结果。例如，在产科检查中面对胎儿超声图像的识别结果，组织结构分割边界分别分割出了胎儿的胃泡、颈部透明层(NT)和胎盘等组织或器官。进而，可以通过本可选方案中的分类网络得到对每个组织结构分割边界添加对应的组织分类识别结果，即添加“胎盘”、“颈部透明层”、“胃泡”等结构分类信息，以方便医护人员快速确定每个组织结构的类型。

在本实施例中，可利用上述训练数据对组织识别模型对应的初始模型进行训练，进而可获得作为目标模型的组织识别模型。

可以想到的是，在确定了训练数据后，可以采用现有技术提供的任意一种模型训练方式在此不做具体限定。可见，通过对初始模型进行训练可以得到对待识别超声图像进行识别的组织识别模型。其中，通过检测网络和分割网络之间的信息交互，可以提高组织识别模型的准确性和识别效果。

可见，本实施例通过检测网络和分割网络进行信息交互，提高了检测效率和准确性，进而得到识别结果，实现自动识别，由于该组织识别模型采用的训练数据为标注有组织检测框和组织结构分割边界的训练数据，因此得到的识别结果中包含有组织结构分割边界，以便医护人员通过组织结构分割边界快速确定组织结构，提高超声检查的速度，同时避免出现主观错误，提高超声检查的准确性。

下面对本申请实施例提供的超声图像识别装置进行介绍，下文描述的超声图像识别装置与上文描述的超声图像识别方法可相互对应参照。

请参考图3，图3为本申请实施例所提供的一种超声图像识别装置的结构示意图。

本实施例中，该装置可以包括：

图像获取模块100，用于获取待识别超声图像；

图像识别模块200，用于利用组织识别模型根据识别过程中交互的组织检测框识别信息对所述待识别超声图像进行组织识别，得到识别结果；其中，识别结果为标识有组织检测框和组织结构分割边界的结果数据；组织识别模型为根据训练数据进行训练得到的，训练数据为标注有组织检测框和组织结构分割边界的训练数据。

可选的，该图像识别模块200，可以包括：

特征提取单元，用于利用组织识别模型的特征提取网络对待识别超声图像进行特征提取，获取目标特征；

组织检测单元，用于利用组织识别模型的检测网络对目标特征进行检测识别，得到组织检测框识别信息；其中，组织检测框识别信息包括对相应组织进行范围框定的组织检测框；

结构分割单元，用于利用组织识别模型的分割网络基于组织检测框识别信息对目标特征进行分割识别，得到识别结果。

可选的，该结构分割单元，具体用于利用分割网络在组织检测框识别信息相应的组织检测框范围内对目标特征进行分割识别，得到识别结果。

可选的，该特征提取单元，具体用于采用组织识别模型的特征提取网络对待识别超声图像进行底层特征提取，得到多个底层特征；将多个底层特征进行组合，得到作为目标特征的高层语义特征。

可选的，该组织检测单元，还可以包括：

分类单元，用于利用组织识别模型的分类网络基于组织检测框识别信息对目标特征进行分类识别，得到组织分类识别结果。

可选的，该装置还可以包括：

自动测量模块，用于根据识别结果，对所识别的组织进行自动测量，并输出测量数据；其中，测量数据包括测量值和/或测量线。

可选的，组织识别模型为深度学习神经网络模型；其中，检测网络包括卷积层。

可选的，特征提取网络可以包括卷积层和特征金字塔网络。

可选的，该装置还可以包括：

图像处理模块，用于对原始训练图像进行图像变换处理，得到训练数据；其中，图像变换处理包括仿射变换、图像拼接、马赛克模糊、高斯模糊中的任意一种或任意多种的组合。

请参考图4，图4为本申请实施例所提供的一种计算设备的结构示意图。

本申请实施例还提供一种计算设备，包括：

存储器11，用于存储计算机程序；

处理器12，用于执行所述计算机程序时实现如以上实施例所述的超声图像识别方法的步骤。

具体的，该计算设备可以是超声诊断设备。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的超声图像识别方法的步骤。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种超声图像识别方法、超声图像识别装置、计算设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。